Skip to main content
main-content

Über dieses Buch

Durch Bitcoin wurde die Blockchain als zugrundeliegende Technologie bekannt. Sie zählt zu den Distributed-Ledger-Technologien, die zukünftig viele Bereiche des wirtschaftlichen Handels beeinflussen werden. So bergen dezentrale autonome Anwendungen enormes Potenzial, nicht nur Prozesse, sondern auch Vertragsabstimmungen zu automatisieren. Beispielsweise kann ein automatisiertes wirtschaftliches Handeln zwischen Maschinen ermöglicht werden. Um einen derart hohen Automatisierungsgrad zu erreichen, müssen datenbasierte Entscheidungen autonom – ohne menschliches Zutun – getroffen werden. Maschinelle Lernverfahren können dabei eine zentrale Komponente bei der Entscheidungsfindung einnehmen. Das Buch stellt erstmalig die komplementären Themengebiete Distributed-Ledger-Technologie und maschinelles Lernen gegenüber und zeigt auf, welches Potenzial freigesetzt werden kann, wenn beide Technologien zielführend miteinander verbunden werden. Das Buch ist eine unverzichtbare Lektüre für diejenigen, die sich tiefgreifendes Wissen in der Kombination beider Themengebiete aufbauen wollen, indem einerseits die theoretischen Grundlagen und andererseits auch mögliche Anwendungsszenarien dargestellt werden.

Inhaltsverzeichnis

Frontmatter

Kapitel 1. Einleitung

Zusammenfassung
Sowohl die Blockchain als auch die künstliche Intelligenz, die auch das maschinelle Lernen umfasst, zählen zu den disruptiven Technologien, die unsere Arbeitswelt und insbesondere die Zusammenarbeit und Interaktion von Unternehmen und Arbeitnehmern fundamental ändern werden. Was aber haben Blockchain und maschinelles Lernen miteinander zu tun?
Sigurd Schacht, Carsten Lanquillon

Kapitel 2. Die Blockchain-Technologie

Zusammenfassung
In diesem Kapitel wird ein Überblick über das Ecosystem Distributed-Ledger-Technologie dargestellt. Ziel ist es, ein Verständnis über die neue Technologie zu vermitteln und einen möglichst breiten Überblick über die unterschiedlichsten Technologien und Verfahren zu liefern. Dabei wird als Struktur ein Ordnungsrahmen, gegliedert nach vier Ebenen der Distributed-Ledger-Technologie, herangezogen. Auf der ersten Ebene werden die wichtigsten Prinzipen der Distributed-Ledger-Technologie dargestellt. Darauf aufbauend werden in Ebene zwei Blockchain, Tangle und Hashgraph als Ausprägungen der DLT erläutert. In Ebene drei werden die wichtigsten Applikationen, Smart Contracts und dezentrale autonome Organisationen dargestellt. Als Abschluss wird jeweils eine DLT-Implementierung für öffentliche und private DLTs erläutert.
Sigurd Schacht

Kapitel 3. Grundzüge des maschinellen Lernens

Zusammenfassung
In diesem Kapitel werden Grundzüge des maschinellen Lernens dargestellt. Ziel ist es, ein allgemeines Verständnis dafür zu schaffen, was maschinelle Lernverfahren leisten können. Neben bekannten Definitionen und einem kurzen Abriss über die Entstehung maschineller Lernverfahren werden insbesondere Unterscheidungsmerkmale und Varianten sowie gängige Aufgabentypen erläutert. Erst danach werden beispielhaft verschiedene Lernverfahren vorgestellt, die besonders eingängig oder typisch sind und oft in der Praxis zum Einsatz kommen. In praktischen Anwendungen spielt aufgrund der großen Datenmengen und zusätzlicher Anforderungen zum Datenschutz das verteilte Lernen eine immer wichtigere Rolle. Als Abschluss und gleichermaßen Überleitung zur Verbindung mit Blockchain-Technologie gilt der Ausblick am Ende des Kapitels.
Carsten Lanquillon

Kapitel 4. Blockchain und maschinelles Lernen – Ein Literaturüberblick

Zusammenfassung
Blockchain und maschinelles Lernen sind zwei der vielversprechendsten Technologien unserer Zeit. Obgleich vielen nur durch Kryptowährungen und selbstfahrende Autos bekannt und greifbar, sind die Potenzial viel weitreichender. Jede neue Technologie bringt neben teils umwälzenden Veränderungen auch viele neue Herausforderungen mit sich, die verhindern, dass diese ihr volles Potenzial entfalten können. Eine dieser Herausforderungen für das maschinelle Lernen stellt der enorme Bedarf an Daten, Hardware-Ressourcen und menschlicher Expertise dar. Ein zentrales Versprechen der Blockchain-Technologie hingegen ist die Demokratisierung gerade dieser Ressourcen. Hier kommt die Verschmelzung von Technologien ins Spiel, die nicht nur Herausforderungen bezwingen, sondern auch völlig neue Anwendungsformen erzeugen kann.
Jerome Tagliaferri

Kapitel 5. Der Analytics-Marktplatz

Zusammenfassung
Der Analytics-Marktplatz ist die natürliche Verbindung der beiden disruptiven Technologien Blockchain und maschinelles Lernen. Die Blockchain kann, insbesondere mit Blick auf Vertrauen in Daten und Modellen sowie Incentivierungen für den Einsatz von Ressourcen, die Infrastruktur für die Lösung einiger Herausforderungen bei der Automatisierung von Machine-Learning-Prozessen und bei der Gestaltung neuer Geschäftsmodelle zur Bereitstellung von Lösungen auf Basis des maschinellen Lernens bieten. Da die Anforderungen an die Kombination einerseits und an die Gestaltung von Machine-Learning-Prozessen gerade unter Berücksichtigung der Datensicherheit und des Datenschutzes andererseits sehr vielfältig sind, wird es sehr unterschiedliche Ausprägungen bei der Umsetzung geeigneter Lösungen geben. Anhand eines Ordnungsrahmens werden die Herausforderungen für einen integrierten Analytics-Marktplatz dargestellt, bestehende Ansätze eingeordnet und zu erwartende Entwicklungen aufgezeigt.
Carsten Lanquillon, Sigurd Schacht

Kapitel 6. DLT im Energiesektor – Wie blockchainbasierte Werkzeuge und maschinelles Lernen ein dekarbonisiertes Energiesystem möglich machen

Zusammenfassung
Im vorliegenden Kapitel werden die Einsatzmöglichkeiten von DLT im Energiesektor skizziert und anhand des Allgäu Microgrid Projektes werden zahlreiche relevante Prozesse vorgestellt. Der Weg von hochaufgelösten Erzeugungs- und Verbrauchsdaten vom Zähler über ein Blockchaingateway bis zur Ausführung der Smart Contracts wird detailliert erläutert. Die Rolle der Kundenschnittstelle für einen derartigen lokalen Energiemarkt wird ebenfalls diskutiert. Die Bedeutung der Technologie für die Transformation zu einem vollständig dekarbonisierten Energiesystem wird anhand mehrerer Einsatzgebiete verdeutlicht, wie beispielsweise der Quartiersversorgung, regionaler Stromprodukte oder der Vermarktung von Erzeugungsanlagen. Anschließend wird das Zusammenwirken von DLT mit Ansätzen aus dem maschinellen Lernen anhand dreier Beispiele vorgestellt. Dabei zeigt sich die zentrale Rolle der Blockchaintechnologie als Datendrehscheibe und dezentrale Applikationsplattform, auf deren Basis Algorithmen für maschinelles Lernen die vorliegenden Daten verarbeiten und auswerten können.
Thomas Brenner

Backmatter

Weitere Informationen

Premium Partner

    Bildnachweise